Machine Learning + Event Stream Processing: Novas armas de geração de valor!

O tema Machine Learning continua em voga e, em certa medida, faz relembrar a reação inicial à temática “BIG Data”; toda a gente fala mas ninguém sabe muito bem como se faz e, ainda assim, todos pensam que toda a gente está a fazer algo pelo que toda a gente diz que está “a fazer alguma coisa”.

Machine Learning é uma disciplina específica das Ciências da Computação, muitas vezes associada à Inteligência Artificial. Classificações e associações à parte (umas mais aceites que outras), Machine Learning centra-se em métodos de análise de dados que permitem “automatizar” o desenvolvimento de modelos analíticos. Tal, é feito com base em algoritmos que “aprendem” interactivamente a partir de dados, permitindo encontrar em insights escondidos nos dados sem que para tal seja necessário recorrer a programação. É esse aspeto interativo que sustenta a “aprendizagem”, algo que acontece à medida que os modelos são expostos a novos dados, adaptando-se e evoluindo de forma independente. Resumindo, em vez da aplicação de algoritmos de alto nível para resolver problemas com base em lógica explícita e imperativa, trata-se de um método que aplica algoritmos de baixo nível para descobrir padrões implícitos nos dados. (Pense nisto como o cérebro humano a aprender a partir de experiências de vida e não a aprender com base em instruções explícitas).

No Machine Learning são utilizadas distintas técnicas que evoluíram ao longo dos tempos. Tomemos como exemplo a Análise de Sentimentos (Sentiment Analysis), focada na identificação do sentimento relativo a alguma entidade de interesse (produto, empresa, local, pessoa, …). A modelação estatística fornece parâmetros por defeito (pré-definidos e/ou configuráveis) que permitem identificar o sentimento associado; por outro lado, a utilização de regras linguísticas torna possível a definição dos elementos a examinar; finalmente, uma abordagem híbrida fornece a possibilidade única de usar, em simultâneo, o rigor estatístico e as regras linguísticas para definir modelos de sentimentos a partir de um maior detalhe da análise de sentimentos.

Machine Learning é uma ciência que não é nova mas que todos os dias ganha um novo impulso; quanto mais dados, mais eficaz se torna a aprendizagem, é por isso que aprendizagem de máquina e grande volume de dados são conceitos estão intrinsecamente ligados. No universo Internet of Things, a cada dia que passa mais dados são gerados, contínua e simultaneamente por milhares de fontes – logs gerados por clientes na web ou em dispositivos móveis, compras em lojas e online, informações de redes sociais, serviços geoespaciais, entre tantos, tantos outros exemplos …

O processamento de dados em streaming é uma tecnologia benéfica exatamente em cenários em que novos dados são gerados de forma dinâmica e contínua, podendo ser usada para operacionalizar insights e padrões em tempo real, sem necessidade de recriar os modelos analíticos.

Se inicialmente as suas aplicações estavam mais ligadas à produção de relatórios simples e à execução de ações pouco complexas (por exemplo, emitir alertas quando excedidos determinados limites), a conjugação com algoritmos Machine Learning permite obter informações mais profundas com base na execução de modelos de análise cada vez mais sofisticados. A aplicação de algoritmos mais complexos e refinados permite uma ampla variedade de análises como sejam exemplo correlações, agregações, filtragem e amostragem.

O SAS disponibiliza um modelo para processamento de eventos em streaming que facilmente se liga a qualquer sistema (com Java ou C), tratando-se de um modelo público, documentado e de fácil utilização, passível que pode ser conjugado com Machine Learning. Desta conjugação resulta para as empresas mais visibilidade e clareza sob vários aspetos da sua atividade, do seu negócio e dos seus clientes, permitindo ação imediata perante as distintas situações emergentes. No exemplo anterior, passa a ser possível monitorizar alterações na análise de sentimentos de uma marca ou produto com base na análise contínua de streams de redes sociais, promovendo consequentemente a produção de respostas efetivas em tempo útil e de forma ágil. Outras aplicações podem ser exploradas em iniciativas de up e cross-selling, deteção de fraude, manutenção preditiva, gestão de inventário, entre outros.

Estes são alguns exemplos de geração de valor de negócio com base na combinação de várias peças tecnológicas, exemplos ao alcance de qualquer empresa ou negócio. As peças tecnológicas continuam a ser ferramentas, mantendo-se o espaço aberto para a criatividade, uma peça fundamental e onde somente o ser humano tem as competências certas. Só a criatividade humana pode garantir a capacidade de colocar em ação e isso sim é algo que pode de facto ser classificado como a nova arma de geração de valor nas empresas!


Patricia Narciso
Operations Director at Habber Tec

 

 

 

 

Deixar uma resposta